共计 5724 个字符，预计需要花费 15 分钟才能阅读完成。
该案例摘自《Keras 深度学习入门、实战及进阶》第四章综合案例内容。该案例的数据来源于 Kaggle 上的 Flower Color。
微软 MVP 实验室研究员
数据内容非常简单：蕴含 10 种开花动物的 210 张图像（128×128×3）和带有标签的文件 flower-labels.csv，照片文件采纳.png 格局，标签为整数（0~9）。应用 read.csv()将带有标签的文件 flower-labels.csv 导入到 R 中，并查看前六行。
> flowers <- read.csv('../flower_images/flower_labels.csv')
> dim(flowers)
[1] 210 2
> head(flowers)
file label
1 0001.png 0
2 0002.png 0
3 0003.png 2
4 0004.png 0
5 0005.png 0
6 0006.png 1一共有 210 行 2 列，第 1 列是图像文件名称，第 2 列是其对应的标签值。编号为 0001、0002、0004、0005 的彩色图像对应的标签为 0，即为福禄考；0003 彩色图像对应的标签为 2，即为金盏花；0006 彩色图像对应的标签为 1，即为玫瑰。
label 是指标变量，应用 as.matrix()函数将其转换为矩阵后再利用 to_categorical()函数将其转换为独热（one-hot）编码，转换后的数据如下所示。
> flower_targets <- as.matrix(flowers["label"])
> flower_targets <- keras::to_categorical(flower_targets, 10)
> head(flower_targets)
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 1 0 0 0 0 0 0 0 0 0
[2,] 1 0 0 0 0 0 0 0 0 0
[3,] 0 0 1 0 0 0 0 0 0 0
[4,] 1 0 0 0 0 0 0 0 0 0
[5,] 1 0 0 0 0 0 0 0 0 0
[6,] 0 1 0 0 0 0 0 0 0 0可利用 list.files()函数获取 flower_images 目录中所有彩色图像的文件名称。
> # 获取 flower_images 目录中的彩色照片
> image_paths <- list.files('../flower_images',pattern = '.png')
> length(image_paths)
[1] 210
> image_paths[1:3]
[1] "0001.png" "0002.png" "0003.png"flower_images 目录中一共有 210 张彩色图像，前 3 个图像文件的名称顺次为 ”0001.png”、“0002.png”、“0003.png”。利用 EBImage 包的 readImage()函数将后面 8 张黑白化图像读入到 R 中，并进行可视化。
> names <- c('phlox','rose','calendula','iris',
+ 'max chrysanthemum','bellflower','viola',
+ 'rudbeckia laciniata','peony','aquilegia')
> options(repr.plot.width=4,repr.plot.height=4)
> op <- par(mfrow=c(2,4),mar=c(2,2,2,2))
> for(i in 1:8){+ img <- readImage(paste('../flower_images',image_paths[i],sep = '/')) # 读入图像
+ plot(img) # 绘制图像
+ text(x = 64,y = 0,
+ label = names[flowers[flowers$file==image_paths[i],'label']+1],
+ adj = c(0,1),col = 'white',cex = 3) # 增加标签
+ }
> par(op)自定义 image_loading()函数，实现逐渐将 flower_iamges 的彩色图像读入到 R 中，并进行数据转换，使其达到合乎深度学习建模时所需的自变量矩阵。
> # 自定义图像数据读入及转换函数
> image_loading <- function(image_path) {+ image <- image_load(image_path, target_size=c(128,128))
+ image <- image_to_array(image) / 255
+ image <- array_reshape(image, c(1, dim(image)))
+ return(image)
+ }联合 lapply()函数读取 flower_images 目录中的 210 张花彩色图像，因为返回后果为列表，所以再次利用 array_reshape()函数对其进行转换。
> image_paths <- list.files('../flower_images',
+ pattern = '.png',
+ full.names = TRUE)
> flower_tensors <- lapply(image_paths, image_loading)
> flower_tensors <- array_reshape(flower_tensors,
+ c(length(flower_tensors),128,128,3))
> dim(flower_tensors)
[1] 210 128 128 3
> dim(flower_targets)
[1] 210 10咱们利用 caret 包的 createDataParitition()函数对数据进行等比例抽样，使得抽样后的训练集和测试集中的各类别占比与原数据一样。
> # 等比例抽样
> index <- caret::createDataPartition(flowers$label,p = 0.9,list = FALSE) # 训练集的下标集
> train_flower_tensors <- flower_tensors[index,,,] # 训练集的自变量
> train_flower_targets <- flower_targets[index,] # 训练集的因变量
> test_flower_tensors <- flower_tensors[-index,,,] # 测试集的自变量
> test_flower_targets <- flower_targets[-index,] # 测试集的因变量▌MLP 模型建设及预测
首先构建一个简略的多层感知机神经网络，利用训练集数据对网络进行训练。以下程序代码实现模型创立、编译及训练。
> mlp_model <- keras_model_sequential()
>
> mlp_model %>%
+ layer_dense(128, input_shape=c(128*128*3)) %>%
+ layer_activation("relu") %>%
+ layer_batch_normalization() %>%
+ layer_dense(256) %>%
+ layer_activation("relu") %>%
+ layer_batch_normalization() %>%
+ layer_dense(512) %>%
+ layer_activation("relu") %>%
+ layer_batch_normalization() %>%
+ layer_dense(1024) %>%
+ layer_activation("relu") %>%
+ layer_dropout(0.2) %>%
+ layer_dense(10) %>%
+ layer_activation("softmax")
>
> mlp_model %>%
+ compile(loss="categorical_crossentropy",optimizer="adam",metrics="accuracy")
>
> mlp_fit <- mlp_model %>%
+ fit(+ x=array_reshape(train_flower_tensors, c(length(index),128*128*3)),
+ y=train_flower_targets,
+ shuffle=T,
+ batch_size=64,
+ validation_split=0.1,
+ epochs=30
+ )
> options(repr.plot.width=9,repr.plot.height=9)
> plot(mlp_fit)模型呈现重大过拟合景象。训练集在第 8 个训练周期时准确率曾经达到 1，此时验证集的准确率仅有 0.3，且之后训练周期的验证集准确率出现降落趋势。
最初，利用 predict_classes()对测试集进行类别预测，并查看每个测试样本的理论标签及预测标签。
> pred_label <- mlp_model %>%
+ predict_classes(x=array_reshape(test_flower_tensors,
+ c(dim(test_flower_tensors)[1],128*128*3)),
+ verbose = 0) # 对测试集进行预测
>
> result <- data.frame(flowers[-index,], # 测试集理论标签
+ 'pred_label' = pred_label) # 测试集预测标签
> result$isright <- ifelse(result$label==result$pred_label,1,0) # 判断预测是否正确
> result # 查看后果
file label pred_label isright
10 0010.png 0 0 1
17 0017.png 0 9 0
30 0030.png 6 1 0
35 0035.png 3 5 0
43 0043.png 7 7 1
45 0045.png 1 0 0
52 0052.png 4 8 0
60 0060.png 8 0 0
64 0064.png 8 8 1
70 0070.png 4 8 0
71 0071.png 9 5 0
76 0076.png 3 5 0
95 0095.png 1 1 1
123 0123.png 4 5 0
160 0160.png 3 5 0
162 0162.png 9 7 0
197 0197.png 6 3 0
201 0201.png 1 5 0
207 0207.png 0 0 1在 19 个训练样本中，仅有 5 个样本的标签被预测正确，别离为 0010.png、0043.png、0064.png、0095.png 和 0207.png。
测试集的整体准确率为 26.3%，仅仅比基准线 10%（一共 10 个类别，轻易乱猜都有 10% 猜对的可能）好一些。显然，此模型的后果是不太令人满意的。下一步将构建一个简略的卷积神经网络（CNN），查看模型的预测能力。
▌CNN 模型建设与预测
此案例咱们的卷积神经网络只蕴含一个卷积层，以下程序代码实现模型创立、编译及训练。
> cnn_model %>%
+ layer_conv_2d(filter = 32, kernel_size = c(3,3), input_shape = c(128, 128, 3)) %>%
+ layer_activation("relu") %>%
+ layer_max_pooling_2d(pool_size = c(2,2)) %>%
+ layer_flatten() %>%
+ layer_dense(64) %>%
+ layer_activation("relu") %>%
+ layer_dropout(0.5) %>%
+ layer_dense(10) %>%
+ layer_activation("softmax")
>
> cnn_model %>% compile(
+ loss = "categorical_crossentropy",
+ optimizer = optimizer_rmsprop(lr = 0.001, decay = 1e-6),
+ metrics = "accuracy"
+ )
> cnn_fit <- cnn_model %>%
+ fit(
+ x=train_flower_tensors,
+ y=train_flower_targets,
+ shuffle=T,
+ batch_size=64,
+ validation_split=0.1,
+ epochs=30
+ )
> plot(cnn_fit)CNN 成果显著优于 MLP。利用训练好的 CNN 模型对测试集进行预测，并计算测试集的整体准确率。
> pred_label1 <- cnn_model %>%
+ predict_classes(x=test_flower_tensors,
+ verbose = 0) # 对测试集进行预测
>
> cnn_result <- data.frame(flowers[-index,], # 测试集理论标签
+ 'pred_label' = pred_label1) # 测试集预测标签
> cnn_result$isright <- ifelse(cnn_result$label==cnn_result$pred_label,1,0) #判断预测正确性
> # cnn_result # 查看后果
> # 查看测试集的整体准确率
> cat(paste('测试集的准确率为:',
+ round(sum(cnn_result$isright)*100/dim(cnn_result)[1],1),"%"))
测试集的准确率为: 57.9 %CNN 模型对测试集的预测准确率达到 58%，远优于 MLP 模型。
本书最初面还利用数据加强技术进一步晋升模型准确率。通过数据加强技术模型对测试集的预测准确率达到 68%，是个不小的提高。
微软最有价值专家（MVP）
微软最有价值专家是微软公司授予第三方技术专业人士的一个寰球奖项。29 年来，世界各地的技术社区领导者，因其在线上和线下的技术社区中分享专业知识和教训而取得此奖项。
MVP 是通过严格筛选的专家团队，他们代表着技术最精湛且最具智慧的人，是对社区投入极大的激情并乐于助人的专家。MVP 致力于通过演讲、论坛问答、创立网站、撰写博客、分享视频、开源我的项目、组织会议等形式来帮忙别人，并最大水平地帮忙微软技术社区用户应用 Microsoft 技术。
更多详情请登录官方网站：https://mvp.microsoft.com/zh-cn
长按辨认二维码
关注 微软开发者 MSDN
点击学习更多深度学习常识 ~
